OpenAI 在 2026 年 6 月 11 日发布一个 Codex 科研案例，介绍 University of Arizona 与 Steward Observatory 的天体物理学家 Chi-kwan Chan 如何使用 Codex，协助推导、实现和测试用于黑洞模拟的新算法。
这篇文章的重点不是用 AI 直接「发现」黑洞，而是把 AI 放进严谨的科学工作流。Chan 的团队研究 Event Horizon Telescope 观测到的黑洞，正在由静态影像走向超大质量黑洞的动态影片。要做到这件事，研究人员需要处理大量观测资料、超级电脑运算，以及能描述极端物理环境的数值模型。
真正困难的地方，是黑洞附近的等离子体。电子和离子会沿磁场线高速螺旋运动，标准模拟需要追踪大量微小转动，令电脑把大量时间消耗在非常细的时间步上。即使使用顶级超级电脑，这种计算负担仍会限制模拟的真实度。
Chan 使用 Codex 的方式，是让它提出候选数值方法，再由研究人员检查、理解和与已知解进行测试。OpenAI 也明确提到 Codex 产生的方案并非全部正确，但科学研究本来就依赖可测试假设。可检查、可重现、可被物理直觉验证，才是这类 AI 辅助科研最关键的边界。
这个案例值得留意，因为它把 agentic coding 从软件工程延伸到科学计算。Codex 的价值不是替代研究者作判断，而是加快探索可能算法、整理实现、跑测试和排除不可行方向。人仍然负责问题定义、物理解释和最后验证。
对 AI workflow 来说，这是一个更成熟的讯号：AI agent 在高价值场景里，往往不是单次输出答案，而是成为研究、工程或营运流程中的试探器。它可以把十日手工探索压缩成更短迭代，但前提是每一步都有测试和审阅。
未来 AI 在科研中的角色，很可能会集中在这类「高复杂度、可验证」工作。当输出可以被数学、实验、单元测试或物理规律检查，AI 的速度就更容易转化成实际进展，而不是只停留在看似合理的文字回答。
